【技术实现步骤摘要】
基于迭代学习和子空间辨识的粉体粒度PDF形状建模方法
[0001]本专利技术涉及粉体粒度控制
,尤其涉及一种基于迭代学习和子空间辨识的粉体粒度PDF形状建模方法。
技术介绍
[0002]实际工业过程中,变量的PDF形状控制问题一直极具挑战性,例如:造纸过程中纸张的纤维长度分布形状控制、燃烧过程中火焰温度场分布的形状控制等都可看作是典型的随机系统分布控制问题。具体的,以食品加工行业的粮食生产过程为例,加工后粮食的粉体粒度大小需要满足一定的要求,否则会影响后面工序的进行;因此对粉体粒度大小的精确控制,既可以为后续食品加工工序提供更高质量的原材料,而且能降低生产过程的能耗。但是目前实际生产过程中,常规的做法是将粉体粒度的均值和方差作为判断粉体质量的依据,然而对于一个实际的随机系统来说,均值和方差并不能准确反映输出变量的全部随机分布特性。因此,使用粉体粒度概率密度函数(Probability Density Function,PDF)形状取代传统的均值和方差作为粉体质量的指标至关重要,在实际生产过程中势必表现出更广泛的应用。
[0003]在使用盘磨系统生产粉体的过程中,喂料量、磨盘压力、磨盘转速、磨盘间隙等多个变量都会影响粉体粒度PDF形状,考虑到变量的可测量性以及对于实际粉体粒度PDF的影响程度,可以确定磨盘间隙和喂料量作为系统的控制量输入去改变盘磨系统的动作。所以,建立以磨盘间隙和喂料量为控制量输入,以粉体粒度PDF形状为输出的盘磨系统的随机分布模型对提升粉体质量、降低生产能耗具有重要意义。
[00 ...
【技术保护点】
【技术特征摘要】
1.一种基于迭代学习和子空间辨识的粉体粒度PDF形状建模方法,其特征在于,包括以下步骤:步骤1,采集盘磨系统运行过程中的磨盘间隙和喂料量的控制量数据,以及粉体粒度PDF形状数据;步骤2、采用高斯型径向基函数神经网络RBF
‑
NN,对粉体粒度PDF形状所对应的权值向量进行解耦计算,从而将粉体粒度PDF表示为一组基函数和所对应权值的乘积;步骤3、采用迭代学习的方法选择一组最优的高斯基函数,使得其对于粉体粒度PDF形状的逼近误差最小;步骤4、采用子空间辨识,建立权值的线性动态模型;步骤5、利用步骤4建立的权值的线性动态模型,结合步骤2、步骤3中所述RBF
‑
NN对粉体粒度PDF形状的近似,得到盘磨系统的随机分布模型,即粉体粒度PDF形状的动态模型。2.根据权利要求1所述的一种基于迭代学习和子空间辨识的粉体粒度PDF形状建模方法,其特征在于,所述步骤2具体包括以下步骤:步骤2.1、将磨盘间隙、喂料量作为系统的输入变量,粉体粒度PDF形状作为系统的输出变量;步骤2.2、采用高斯型径向基函数神经网络RBF
‑
NN逼近所述粉体粒度PDF形状;步骤2.3、对粉体粒度PDF形状所对应的权值向量进行解耦计算。3.根据权利要求2所述的一种基于迭代学习和子空间辨识的粉体粒度PDF形状建模方法,其特征在于,步骤2.2中所述逼近的方法具体是:对于非高斯随机分布的动态系统,将粉体粒度表示为一致有界的随机变量y∈[a,ζ],其中a和ξ表示y的取值范围;令u(k)∈R
m
为控制粉体粒度PDF形状的控制量输入,R
m
表示m维列向量;盘磨过程的粉体粒度PDF形状由其在每个采样时刻k的概率密度函数γ(y,u(k))来表示:P(a≤y<ξ,式中,P(a≤y<ξ,u(k))表示当对盘磨系统施加控制输入u(k)时输出粉体粒度落在区间[a,ξ]内的概率;假设区间[a,b]是预先给定的,其中a、b分别表示随机变量y取值的左右端点,且PDF是连续有界的,则粉体粒度PDF形状用如下的高斯型径向基函数神经网络RBF
‑
NN来逼近:式中,w
l
(u(k))是由控制输入u(k)控制的基函数R
l
(y)的相应权重,l表示高斯型径向基函数神经网络RBF
‑
NN的第l个网络节点,n为网络节点数;在区间[a,b]内定义的基函数R
l
(y)如下:式中,μ
l
和σ
l
分别表示第l个基函数的中心和宽度;则此时所述粉体粒度PDF形状表示为基函数和对应权值的乘积
式中,C(y)为n个基函数组成的行向量,V(k)为对应的权值向量,R
n
(y)和w
n
(u(k))分别表示第n个基函数和对应的权值。4.根据权利要求2所述的一种基于迭代学习和子空间辨识的粉体粒度PDF形状建模方法,其特征在于,步骤2.3中所述解耦计算为,利用矩阵逆运算求解权值向量,如下:V(k)=(C
T
(y)C(y))
‑1C
T
(y)γ(y,u(k))。5.根据权利要求1所述的一种基于迭代学习和子空间辨识的粉体粒度PDF形状建模方法,其特征在于,步骤3中所述迭代学习为,在每次迭代中不断的调整RBF
‑
NN基函数的中心和宽度值,最小化粉体粒度实际测量PDF与粉体粒度近似PDF之间的误差,从而选出一组最优的高斯基函数;首先,令M个粉体粒度实际测量PDF的向量形式如下:g(y)=[g1(y),g2(y),...,g
M
(y)]式中,M表示采样点的总数,g
M
(y)表示第M个采样点处的实际测量PDF;假设第i次迭代后获得的粉体粒度近似PDF为:γ
i
(y)=[γ
i,1
(y),γ
i,2
(y),...,γ
i,M
(y)]式中,γ
i,M
(y)表示第i次迭代后第M个采样点处的近似PDF;为了评价粉体粒度PDF形状近似的效果,定义如下性能指标函数:式中,J
i,m
表示第i次迭代后第m个采样点的粉体粒度近似PDF与实际PDF之间的逼近误差;写成向量形式如下:E
i
=[J
i,1
,J
i,2
,...,J
i,M
]
T
式中...
【专利技术属性】
技术研发人员:周平,张理想,李洪澎,李明杰,宋心宇,柴天佑,
申请(专利权)人:东北大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。